【赵渝强老师】Spark RDD的依赖关系和任务阶段

Spark RDD彼此之间会存在一定的依赖关系。依赖关系有两种不同的类型：窄依赖和宽依赖。

• 窄依赖：如果父RDD的每一个分区最多只被一个子RDD的分区使用，这样的依赖关系就是窄依赖；
• 宽依赖：如果父RDD的每一个分区被多个子RDD的分区使用，这样的依赖关系就是宽依赖。

map、filter、union等操作都是典型的窄依赖操作，如下图所示。通过观察发现，每一个父RDD的分区都只被一个子RDD的分区使用。

注意：join操作可能会比较特殊，某些情况的join是窄依赖操作；但有些情况的join是宽依赖操作。需要具体问题具体分析。

视频讲解如下：
https://www.bilibili.com/video/BV1pnxPeTE3e/?aid=113212955759...

宽依赖最典型的操作就是分组，如下图所示。这里父RDD的每一个分区都被多个子RDD的分区使用。

注意：这里的join操作就是一个宽依赖操作。

视频讲解如下：
https://www.bilibili.com/video/BV1iZxTeqEVq/?aid=113214801056...

有了RDD之间不同的依赖关系，就可以划分任务执行的阶段，从而构建任务执行的DAG(Directed Acyclic Graph，有向无环图)图。对于窄依赖，分区的转换处理在同一个阶段中完成计算；对于宽依赖，由于有Shuffle的存在，只能在父 RDD处理完成后，子RDD才能开始计算，因此宽依赖是划分任务阶段的标准。下图中的任务一共被划分成了三个不同阶段来执行。

视频讲解如下：
https://www.bilibili.com/video/BV1rcxUeoEuZ/?aid=113223793643...

通过借助Spark Web Console可以很方便的查看到任务被划分的阶段以及DAG图。下图是在Web Console查看WordCount任务的DAG图。